JP5597447B2 - Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same - Google Patents

Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same Download PDF

Info

Publication number
JP5597447B2
JP5597447B2 JP2010124214A JP2010124214A JP5597447B2 JP 5597447 B2 JP5597447 B2 JP 5597447B2 JP 2010124214 A JP2010124214 A JP 2010124214A JP 2010124214 A JP2010124214 A JP 2010124214A JP 5597447 B2 JP5597447 B2 JP 5597447B2
Authority
JP
Japan
Prior art keywords
state quantity
plant
predicted
prediction
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2010124214A
Other languages
Japanese (ja)
Other versions
JP2011248835A (en
Inventor
昌和 白川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Priority to JP2010124214A priority Critical patent/JP5597447B2/en
Publication of JP2011248835A publication Critical patent/JP2011248835A/en
Application granted granted Critical
Publication of JP5597447B2 publication Critical patent/JP5597447B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Description

本発明の実施形態は、放射基底関数ネットワーク（Radial Basis Function Network）を用いたプラント状態量の予測方法およびこれを用いたプラント動特性シミュレータ、プラント状態監視装置ならびにプラント予測制御装置に関する。   Embodiments described herein relate generally to a plant state quantity prediction method using a radial basis function network, a plant dynamic characteristic simulator, a plant state monitoring device, and a plant prediction control device using the method.

プラント状態量の動特性をニューラルネットワークにより同定する従来技術が提案されている。これらの従来技術は、例えば、特許文献１〜特許文献４や非特許文献１に記載されている。これらの従来技術におけるニューラルネットワークの学習は、バックプロパゲーション法に代表される非線形最適化の繰り返し計算が用いられる。   Conventional techniques for identifying the dynamic characteristics of plant state quantities using neural networks have been proposed. These conventional techniques are described in, for example, Patent Documents 1 to 4 and Non-Patent Document 1. In learning of these neural networks in the prior art, iterative calculation of nonlinear optimization represented by backpropagation method is used.

特開2007-265212号公報JP 2007-265212 A 特開2006-048474号公報JP 2006-048474 A 特開2002-157003号公報JP 2002-157003 JP 特開2000-181526号公報JP 2000-181526 A

日本機械学会論文集（Ｂ編）７３巻７２９号（論文Ｎｏ．０６−１０２１）「リカレントニューラルネットワークによる多変数プログラム制御の管路系シミュレーションへの適用」Proceedings of the Japan Society of Mechanical Engineers (B), Volume 73, Issue 729 (Paper No. 06-1021) "Application of multivariable program control by recurrent neural network to pipeline system simulation"

本発明は、少ない計算時間で学習できるニューラルネットワークによるプラント状態量の予測方法を提供し、実時間内での高速演算処理が要求されるプラント動特性シミュレータやプラント状態監視装置およびプラント予測制御装置へも適用が可能なプラント状態量の予測方法およびこれを用いたプラント動特性シミュレータ、プラント状態監視装置ならびにプラント予測制御装置を提供することを目的とする。   The present invention provides a plant state quantity prediction method using a neural network that can be learned in a short calculation time. To a plant dynamic characteristic simulator, a plant state monitoring device, and a plant prediction control device that require high-speed arithmetic processing in real time. Another object of the present invention is to provide a plant state quantity prediction method that can be applied, a plant dynamic characteristic simulator, a plant state monitoring device, and a plant prediction control device using the same.

上記目的を達成するため、本発明の一つの実施形態に係るプラント状態量の予測方法は、動特性を有するプラント状態量に基づいて被予測状態量の動特性を予測計算する予測演算部を用いたプラント状態量の予測方法において、前記予測演算部として放射基底関数ネットワークを備え、この放射基底関数ネットワークの入力値は、(1) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻より所定のサンプル前までの過去時刻サンプル値、(2) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻サンプル値、(3) 被予測状態量の現時刻より所定のサンプル前までの過去時刻サンプル値とし、前記予測演算部の出力値は、(4) 被予測状態量の現時刻サンプル値とし、前記放射基底関数ネットワークにおいては、前記入力値及び出力値に基づいて、逐次的にサンプル周期を進めて次のサンプル時刻の被予測状態量の動特性を予測計算することを特徴とする。 In order to achieve the above object, a prediction method for a plant state quantity according to an embodiment of the present invention uses a prediction calculation unit that predicts and calculates the dynamic characteristic of a predicted state quantity based on the plant state quantity having the dynamic characteristic. In the plant state quantity prediction method, a radiation basis function network is provided as the prediction calculation unit, and the input value of the radiation basis function network is (1) a state quantity or an operation quantity that affects the dynamic characteristics of the predicted state quantity. Past time sample value from the current time to a predetermined sample, (2) current time sample value of state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity , (3) current time of the predicted state quantity More than the past sample value before a predetermined sample, the output value of the prediction calculation unit is (4) the current time sample value of the predicted state quantity, in the radial basis function network, the input value Based on the fine output value, proceed to sequentially sample period characterized by predictive calculation of dynamic characteristics of the predicted state quantity of the next sample time.

実施例１の全体構成を示す機能ブロック図。1 is a functional block diagram illustrating an overall configuration of Embodiment 1. FIG. 実施例１における予測演算部の構成を示す機能ブロック図。FIG. 3 is a functional block diagram illustrating a configuration of a prediction calculation unit according to the first embodiment. 実施例２の全体構成を示す機能ブロック図。FIG. 4 is a functional block diagram illustrating an overall configuration of a second embodiment. 実施例３の全体構成を示す機能ブロック図。FIG. 9 is a functional block diagram illustrating an overall configuration of a third embodiment. 実施例４の全体構成を示す機能ブロック図。FIG. 10 is a functional block diagram illustrating an overall configuration of a fourth embodiment. 放射基底関数ネットワークのネットワークモデルを示すネットワーク図。The network diagram which shows the network model of a radial basis function network.

本発明の一実施形態に係るプラント状態量の予測方法は、放射基底関数ネットワーク（Radial Basis Function Network）を用いた予測演算部を有することを特徴とする。この放射基底関数ネットワークについて図６を用いて以下に説明する。   A plant state quantity prediction method according to an embodiment of the present invention includes a prediction calculation unit using a radial basis function network. This radial basis function network will be described below with reference to FIG.

放射基底関数ネットワークとは、図６に示すように、入力層（素子数n個）、中間層（素子数m個）及び出力層（素子数l個）の３層構造からなっているニューラルネットワークの一種である。各層は入出力の制御を行う素子から構成されており、荷重係数と呼ばれる重み付きの結線によって、入力−中間層間、中間−出力層間が結ばれている。放射基底関数ネットワークのデータの流れは、入力層から出力層の一方通行であり、同じ層の素子同士は結合していない。そして、中間層素子の出力関数として、代表的な放射基底関数であるガウス関数

Figure 0005597447
を用いる。 As shown in FIG. 6, the radial basis function network is a neural network having a three-layer structure of an input layer (number of elements n), an intermediate layer (number of elements m), and an output layer (number of elements l). It is a kind of. Each layer is composed of elements that control input and output, and the input-intermediate layer and the intermediate-output layer are connected by weighted connections called load coefficients. The data flow of the radial basis function network is one-way from the input layer to the output layer, and elements in the same layer are not coupled to each other. As an output function of the intermediate layer element, a Gaussian function which is a typical radial basis function
Figure 0005597447
 Is used.

ｘ＝（ｘ1，…，ｘn）Ｔが入力層素子から伝わる入力値であり、rは基底関数の半径、cは基底の中心点である。出力層素子の出力値は、それぞれの中間層素子の出力と結合係数（重み）の線形和

Figure 0005597447
で表される。 x = (x 1 ,..., x n ) T is an input value transmitted from the input layer element, r is the radius of the basis function, and c is the center point of the basis. The output value of the output layer element is the linear sum of the output of each intermediate layer element and the coupling coefficient (weight).
Figure 0005597447
 It is represented by

ニューラルネットワークは、与えられたデータに対して最適な出力値を得るために学習を行う。出力値は、式（２）のように各中間層素子からの出力と重みとの積の総和から求まる。中間層素子からの出力は、入力値と入力パラメータによって決まるので、出力層で最適な出力を得るためには、最適な重みを決定する必要がある。つまり、放射基底関数ネットワークの学習とは、最適な重みを求めることと同等である。   The neural network performs learning in order to obtain an optimum output value for given data. The output value is obtained from the sum of the products of the outputs from the intermediate layer elements and the weights as shown in Equation (2). Since the output from the intermediate layer element is determined by the input value and the input parameter, it is necessary to determine the optimum weight in order to obtain the optimum output in the output layer. That is, learning of the radial basis function network is equivalent to obtaining an optimum weight.

放射基底関数ネットワークにおける学習用入力値ｘiと対になる教師値をｙi， i=1,…，p、中間層素子数をm個とするとき、ネットワークの出力値と教師値（理想的な出力値）との二乗誤差の和

Figure 0005597447
を考える。 In the radial basis function network, when the teacher value paired with the learning input value x i is y i , i = 1,..., P and the number of intermediate layer elements is m, the network output value and the teacher value (ideal Sum of square errors with output value)
Figure 0005597447
 think of.

ネットワークの出力値と教師値の二乗誤差を表している上記の式（３）が最小になればいいが、さらに一部の素子だけが過剰反応するのを避けることにより、ノイズの影響をできる限り小さくするためと、以下に出てくる線形正規方程式の正則性を保つために、重みに対する抑制項を加えた式

Figure 0005597447
が最小となるような重みｗ＝（w1，…，wm）Ｔを求める。これが放射基底関数ネットワークの学習である。 The above equation (3), which represents the square error between the network output value and the teacher value, should be minimized. However, by avoiding over-reaction of only some elements, the influence of noise can be minimized. In order to make it smaller and to maintain the regularity of the linear normal equation shown below, an expression with a weight suppression term added
Figure 0005597447
 The weight w = (w 1 ,..., W m ) T is determined so that becomes minimum. This is the learning of the radial basis function network.

まず、式（４）の右辺をすべてのwj，j＝1，…，mについて偏微分する。

Figure 0005597447
First, the right side of Equation (4) is partially differentiated for all w j , j = 1,.
Figure 0005597447

また、

Figure 0005597447
より、これを上式（５）に代入して整理すると、
Figure 0005597447
 である。 Also,
Figure 0005597447
 From this, substituting this into the above equation (5),
Figure 0005597447
 It is.

これを行列で表すと、

Figure 0005597447
である。 If this is expressed as a matrix,
Figure 0005597447
 It is.

ただし、

Figure 0005597447
である。 However,
Figure 0005597447
 It is.

さらに、すべてのjに対して、行列でまとめて表すと、

Figure 0005597447
である。 Furthermore, for all j, when expressed in a matrix,
Figure 0005597447
 It is.

ただし、

Figure 0005597447
である。 However,
Figure 0005597447
 It is.

Hは中間層出力行列と呼び、

Figure 0005597447
である。 H is called the middle layer output matrix,
Figure 0005597447
 It is.

ただし、

Figure 0005597447
である。 However,
Figure 0005597447
 It is.

ここで、ネットワークの出力値Oは、すべてのwとhの積の総和であるから、

Figure 0005597447
とすると、
Figure 0005597447
 となり、
Figure 0005597447
 である。 Here, the output value O of the network is the sum of the products of all w and h.
Figure 0005597447
 Then,
Figure 0005597447
 And
Figure 0005597447
 It is.

これらを式（９）に代入すると、

Figure 0005597447
となる。 Substituting these into equation (9) gives
Figure 0005597447
 It becomes.

よって求める解は、

Figure 0005597447
である。 Therefore, the desired solution is
Figure 0005597447
 It is.

つまり、放射基底関数ネットワークにおける学習は、逆行列

Figure 0005597447
を求めることと同等であるといえる。 In other words, learning in the radial basis function network is the inverse matrix
Figure 0005597447
 It can be said that it is equivalent to seeking.

上述のごとく、放射基底関数ネットワークの学習は、行列計算の線形連立方程式を解くことにより、簡単かつ少ない計算時間で行うことができる。一般的に、非線形関数の近似に用いられている放射基底関数ネットワークは、その入力値と出力値として時間変化に依存しない静特性データを取扱っているため、そのままではプラント状態量のように時間変化を伴う動特性データを取扱えない。   As described above, the learning of the radial basis function network can be performed easily and with less calculation time by solving the linear simultaneous equations of matrix calculation. Generally, radial basis function networks used for approximation of nonlinear functions handle static characteristics data that does not depend on time changes as their input and output values. Cannot handle dynamic characteristic data.

本実施形態では、放射基底関数ネットワークを用いる予測演算部の入力値を被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻より所定のサンプル前までの過去時刻サンプル値と現時刻サンプル値および被予測状態量の現時刻より所定のサンプル前までの過去時刻サンプル値とし、前記予測演算部の出力値を被予測状態量の現時刻サンプル値とし、逐次的にサンプル周期を進めて次のサンプル時刻の被予測状態量の動特性を予測する。   In the present embodiment, the input value of the prediction calculation unit using the radial basis function network is changed from the current time of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity to the past time sample value and the current time. The time sample value and the predicted state quantity are the past time sample values from the current time to a predetermined sample before, and the output value of the prediction calculation unit is the current time sample value of the predicted state quantity, and the sample period is sequentially advanced The dynamic characteristics of the predicted state quantity at the next sample time are predicted.

したがって、本実施形態では、ニューラルネットワークの学習にバックプロパゲーション法に代表される非線形最適化の繰り返し計算は不要となり、計算時間を短くすることができる。また、得られた解が局所解であるということもない。   Therefore, in the present embodiment, it is not necessary to perform non-linear optimization repetitive calculation represented by the back-propagation method for learning the neural network, and the calculation time can be shortened. Moreover, the obtained solution is not a local solution.

特に、広範囲なプラント運転状態における各種の状態量を精度よく予測するためには、長時間にわたる大規模データを用いてニューラルネットワークを学習する必要がある。本実施形態によれば、このような場合に大規模データを用いてニューラルネットワークを学習することも可能となる。このため、実時間内での高速演算処理が要求されるプラント動特性シミュレータやプラント状態監視装置およびプラント予測制御装置に対しても本願発明の各実施形態を適用することが可能となる。以下、本発明のより具体的な実施例を、各図面を参照して説明する。   In particular, in order to accurately predict various state quantities in a wide range of plant operating conditions, it is necessary to learn a neural network using large-scale data over a long period of time. According to the present embodiment, it is also possible to learn a neural network using large-scale data in such a case. For this reason, each embodiment of the present invention can be applied to a plant dynamic characteristic simulator, a plant state monitoring device, and a plant prediction control device that require high-speed arithmetic processing in real time. Hereinafter, more specific embodiments of the present invention will be described with reference to the drawings.

（１）実施例１の構成
以下、実施例１について、図１及び図２を参照して説明する。図１は本実施例によるプラント状態量の予測装置の全体構成を示す機能ブロック図、図２は本実施例における予測演算部の構成を示す機能ブロック図である。 (1) Configuration of Example 1 Hereinafter, Example 1 will be described with reference to FIGS. 1 and 2. FIG. 1 is a functional block diagram illustrating the overall configuration of a plant state quantity prediction apparatus according to the present embodiment, and FIG. 2 is a functional block diagram illustrating the configuration of a prediction calculation unit according to the present embodiment.

図１において、１は放射基底関数ネットワークを用いる予測演算部、２は対象プラントである。予測演算部１は、入力信号ベクトル３を入力し、出力信号ベクトル４を出力する。また、この予測演算部１は、出力信号ベクトル４を入力信号ベクトル３の中に戻すフィードバック信号５を入力する。これらの各信号ベクトル３〜５を入出力するために、予測演算部１は図２示すような構成を有する。   In FIG. 1, 1 is a prediction calculation unit using a radial basis function network, and 2 is a target plant. The prediction calculation unit 1 receives an input signal vector 3 and outputs an output signal vector 4. The prediction calculation unit 1 also receives a feedback signal 5 that returns the output signal vector 4 into the input signal vector 3. In order to input / output these signal vectors 3 to 5, the prediction calculation unit 1 has a configuration as shown in FIG. 2.

予測演算部１は、対象プラント２から得られるi個（iは、対象プラント２に設けられたセンサ数などによって決まる）の入力状態量の入力部１０と、予測演算結果として得られるj個（jは放射基底関数ネットワークから出力される予測値の数）の出力状態量の出力部１１を備えている。このうち、入力状態量の入力部１０は、現在時刻サンプル取得部１０Ｋと、現在時刻よりもNサンプル前までの過去時刻のそれぞれについて入力状態量を取得する過去時刻サンプル取得部１０Ｎとを備えている。   The prediction calculation unit 1 includes i input state units 10 for input state quantities (i is determined by the number of sensors provided in the target plant 2 and the like) obtained from the target plant 2 and j ( j is provided with an output unit 11 for the output state quantity (the number of predicted values output from the radial basis function network). Among these, the input state quantity input unit 10 includes a current time sample acquisition unit 10K and a past time sample acquisition unit 10N that acquires an input state quantity for each of the past times up to N samples before the current time. Yes.

予測演算部１は、予測演算結果として得られた出力状態量を、フィードバック信号として再び予測演算部１に入力するための演算後出力状態量の入力部１２とを備えている。この演算後出力状態量の入力部１２は、各サンプル時刻について予測演算結果として得られた出力状態量を、現在時刻よりもNサンプル前までの過去時刻のそれぞれについてフィードバック信号として取得するものである。   The prediction calculation unit 1 includes a post-calculation output state quantity input unit 12 for inputting the output state quantity obtained as a prediction calculation result to the prediction calculation unit 1 again as a feedback signal. The post-computation output state quantity input unit 12 acquires the output state quantity obtained as a prediction computation result for each sample time as a feedback signal for each of the past times up to N samples before the current time. .

予測演算部１は、前記各入力部１０，１２から得られた入力状態量と演算後出力状態量に基づいて、現在時刻における出力状態量を予測し出力する放射基底関数ネットワーク１３を備えている。   The prediction calculation unit 1 includes a radial basis function network 13 that predicts and outputs an output state quantity at the current time based on the input state quantity obtained from each of the input units 10 and 12 and the post-computation output state quantity. .

（２）実施例１の作用
前記のような構成を有する本実施例の作用は、次の通りである。
予測演算部１の入力信号ベクトル３は、現時刻サンプルをkとすると、対象プラント２から入力されるi個の現時刻サンプルkにおける入力状態量と、この入力状態量のNサンプル前までの過去時刻サンプルにおける入力状態量と、Nサンプル前までの過去時刻サンプルにおける出力状態量である。この入力信号ベクトル３は、（i×（N＋1）＋j×N）個のベクトル信号となる。これらの信号ベクトルは、前記現在時刻サンプル取得部１０Ｋ、過去時刻サンプル取得部１０Ｎ及び演算後出力状態量の入力部１２により、予測演算部１の放射基底関数ネットワーク１３に入力される。 (2) Operation of Embodiment 1 The operation of the present embodiment having the above-described configuration is as follows.
The input signal vector 3 of the prediction calculation unit 1 is assumed to be k as the current time sample. The input state quantity at the i current time samples k input from the target plant 2 and the past of this input state quantity up to N samples before The input state quantity in the time sample and the output state quantity in the past time sample up to N samples. This input signal vector 3 becomes (i × (N + 1) + j × N) vector signals. These signal vectors are input to the radial basis function network 13 of the prediction calculation unit 1 by the current time sample acquisition unit 10K, the past time sample acquisition unit 10N, and the post-calculation output state quantity input unit 12.

前記出力信号ベクトル４は現時刻サンプルkにおける出力状態量で、この出力信号ベクトル４はj個のベクトル信号となる。この出力信号ベクトル４は、前記予測演算部１の放射基底関数ネットワーク１３による演算結果として、出力状態量の出力部１１から出力される。   The output signal vector 4 is an output state quantity at the current time sample k, and this output signal vector 4 becomes j vector signals. The output signal vector 4 is output from the output state quantity output unit 11 as a calculation result by the radial basis function network 13 of the prediction calculation unit 1.

すなわち、放射基底関数ネットワーク１３においては、まず、前記現在時刻サンプル取得部１０Ｋにおいて取得した現時刻サンプルkにおけるｉ個の入力状態量1(k)〜i(k)に基づいて、j個の出力状態量1(k)〜j(k)を予測し、出力状態量の出力部１１から出力する。   That is, in the radial basis function network 13, first, j outputs based on i input state quantities 1 (k) to i (k) in the current time sample k acquired by the current time sample acquisition unit 10K. State quantities 1 (k) to j (k) are predicted and output from the output state quantity output unit 11.

次に、現時刻よりも予め定めた一定時間前のサンプル時刻(k-1)について、その入力状態量1(k-1)〜i(k-1)を過去時刻サンプル取得部１０Ｎによって取得すると共に、放射基底関数ネットワーク１３によって予測された現時刻サンプルkにおける出力状態量1(k)〜j(k)を、出力状態量1(k-1)〜j(k-1)として演算後出力状態量の入力部１２によって取得する。放射基底関数ネットワーク１３は、サンプル時刻(k-1)の入力状態量1(k-1)〜i(k-1)と予測値として得られた出力状態量1(k-1)〜j(k-1)に基づいて、新たな出力状態量1(k)〜j(k)の予測値を出力状態量の出力部１１から出力する。   Next, for the sample time (k-1) that is a predetermined time before the current time, the input state quantities 1 (k-1) to i (k-1) are acquired by the past time sample acquisition unit 10N. In addition, the output state quantities 1 (k) to j (k) at the current time sample k predicted by the radial basis function network 13 are output as the output state quantities 1 (k-1) to j (k-1). Obtained by the state quantity input unit 12. The radial basis function network 13 includes input state quantities 1 (k-1) to i (k-1) at a sample time (k-1) and output state quantities 1 (k-1) to j (j) obtained as predicted values. Based on k-1), the predicted values of the new output state quantities 1 (k) to j (k) are output from the output state quantity output unit 11.

以下同様にして、Nサンプル前までの過去時刻サンプルにおける入力状態量1(k-N)〜i(k-N)と、各過去時刻サンプルにおける入力状態量に基づいて予測された出力状態量1(k)〜j(k)のNサンプル前までの過去時刻サンプルにおける出力状態量1(k-N)〜j(k-N)とに基づいて、放射基底関数ネットワーク１３は最終的な現在の出力状態量1(k)〜j(k)を得る。   Similarly, the input state quantity 1 (kN) to i (kN) in the past time samples up to N samples before and the output state quantity 1 (k) to be predicted based on the input state quantities in each past time sample Based on the output state quantities 1 (kN) to j (kN) in the past time samples before N samples of j (k), the radial basis function network 13 determines the final current output state quantity 1 (k) to Get j (k).

このようにして現時刻サンプルkにおける出力状態量を予測した後、サンプル時刻をk＝k＋1に進めて、フィードバック信号５により出力信号ベクトル４を入力信号ベクトル３の中に戻し、入力信号ベクトル３の中の入力状態量と出力状態量を図中の矢印の方向に１サンプル分シフトさせて、次の時刻サンプルにおける出力状態量を予測する。ここで、入力状態量は被予測状態量の動特性に影響を及ぼす状態量または操作量であり、出力状態量は被予測状態量である。   After predicting the output state quantity at the current time sample k in this way, the sample time is advanced to k = k + 1, the output signal vector 4 is returned to the input signal vector 3 by the feedback signal 5, and the input signal vector 3 The input state quantity and the output state quantity are shifted by one sample in the direction of the arrow in the figure, and the output state quantity at the next time sample is predicted. Here, the input state quantity is a state quantity or an operation quantity that affects the dynamic characteristics of the predicted state quantity, and the output state quantity is the predicted state quantity.

以上説明した本実施例によれば、放射基底関数ネットワーク１３を用いる予測演算部１の入力値を、過去時刻サンプル値と現時刻サンプル値、及びこれらによって得られた前記予測演算部の出力値を被予測状態量の現時刻サンプル値としている。そのため、逐次的にサンプル周期を進めて次のサンプル時刻の被予測状態量の動特性を予測計算することができ、個々のサンプル時刻で見れば、その入力値と出力値として時間変化に依存しない静特性データを取扱っていることになる。   According to the present embodiment described above, the input value of the prediction calculation unit 1 using the radial basis function network 13 is the past time sample value and the current time sample value, and the output value of the prediction calculation unit obtained by these values. This is the current time sample value of the predicted state quantity. Therefore, it is possible to predict and calculate the dynamic characteristics of the predicted state quantity at the next sample time by sequentially advancing the sample period. When viewed at each sample time, the input value and the output value do not depend on the time change. It handles static characteristic data.

その結果、プラント状態量のように時間変化を伴う動特性データを放射基底関数ネットワーク１３によって取扱うことが可能になる。これにより、本実施例においては、少ない計算時間で学習できるニューラルネットワークによるプラント状態量の予測方法を提供でき、実時間内での高速演算処理が要求されるプラント動特性シミュレータやプラント状態監視装置およびプラント予測制御装置への放射基底関数ネットワークの適用を容易にすることが可能になる。   As a result, it is possible to handle the dynamic characteristic data with time change such as the plant state quantity by the radial basis function network 13. Thereby, in the present embodiment, a plant state quantity prediction method using a neural network that can be learned in a short calculation time can be provided, and a plant dynamic characteristic simulator, a plant state monitoring device, and a high-speed calculation process in real time are required. It becomes possible to easily apply the radial basis function network to the plant predictive control device.

以下、実施例２について、図３を参照して説明する。図３は本実施例によるプラント状態量の予測方法を示す構成図である。   Hereinafter, Example 2 will be described with reference to FIG. FIG. 3 is a block diagram showing a plant state quantity prediction method according to this embodiment.

図３において、１は放射基底関数ネットワークを用いる予測演算部、２は対象プラントである。予測演算部１は、入力信号ベクトル３を入力し、出力信号ベクトル４を出力する。さらに、出力信号ベクトル４を入力信号ベクトル３の中に戻すフィードバック信号５を有する。   In FIG. 3, 1 is a prediction calculation unit using a radial basis function network, and 2 is a target plant. The prediction calculation unit 1 receives an input signal vector 3 and outputs an output signal vector 4. In addition, it has a feedback signal 5 that returns the output signal vector 4 back into the input signal vector 3.

予測演算部１の入力信号ベクトル３は、現時刻サンプルをkとすると、対象プラント２から入力されるi個の現時刻サンプルkにおける入力状態量と、この入力状態量のNサンプル前までの過去時刻サンプルにおけるi×N個の入力状態量i(k-N)と、対象プラント２から入力されるr個の現時刻サンプルkにおけるr個の静特性の入力状態量r(k)と、Nサンプル前までの過去時刻サンプルにおけるj×N個の出力状態量j(k-N)である。   The input signal vector 3 of the prediction calculation unit 1 is assumed to be k as the current time sample. The input state quantity at the i current time samples k input from the target plant 2 and the past of this input state quantity up to N samples before I × N input state quantities i (kN) in the time sample, r static input state quantities r (k) in the r current time samples k input from the target plant 2, and N samples before J × N output state quantities j (kN) in the past time samples up to.

ここで、入力状態量i(k)は被予測状態量の動特性に影響を及ぼす状態量または操作量であり、静特性の入力状態量r(k)は被予測状態量の静特性に影響を及ぼす状態量または操作量であり、出力状態量j(k)は被予測状態量である。   Here, the input state quantity i (k) is a state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity, and the static input state quantity r (k) affects the static characteristics of the predicted state quantity. The output state quantity j (k) is the predicted state quantity.

このような構成を有する本実施例では、入力信号ベクトル３は、（i×（N＋1）＋r＋j×N）個のベクトル信号となる。出力信号ベクトル４は、現時刻サンプルkにおける出力状態量である。すなわち、出力信号ベクトル４は、j個のベクトル信号となる。   In the present embodiment having such a configuration, the input signal vector 3 is (i × (N + 1) + r + j × N) vector signals. The output signal vector 4 is an output state quantity at the current time sample k. That is, the output signal vector 4 is j vector signals.

このようにして現時刻サンプルkにおける出力状態量を予測した後、サンプル時刻をk＝k＋1に進めて、フィードバック信号５により出力信号ベクトル４を入力信号ベクトル３の中に戻し、入力信号ベクトル３の中の入力状態量と出力状態量を図中の矢印の方向に１サンプル分シフトさせて、次の時刻サンプルにおける出力状態量を予測する。   After predicting the output state quantity at the current time sample k in this way, the sample time is advanced to k = k + 1, the output signal vector 4 is returned to the input signal vector 3 by the feedback signal 5, and the input signal vector 3 The input state quantity and the output state quantity are shifted by one sample in the direction of the arrow in the figure, and the output state quantity at the next time sample is predicted.

以上説明した本実施例によれば、放射基底関数ネットワーク１３を用いる予測演算部１の入力値は、
(1) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻より所定のサンプル前までの過去時刻サンプル値、
(2) 現時刻サンプル値、
(3) 被予測状態量の静特性に影響を及ぼす状態量または操作量の現時刻サンプル値、
(4) 被予測状態量の現時刻より所定のサンプル前までの過去時刻サンプル値とする。 According to the present embodiment described above, the input value of the prediction calculation unit 1 using the radial basis function network 13 is
(1) Past time sample value from the current time of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity to the predetermined sample,
(2) Current time sample value,
(3) Current time sample value of the state quantity or manipulated variable that affects the static characteristics of the predicted state quantity,
(4) A past time sample value from the current time of the predicted state quantity to a predetermined sample.

一方、前記予測演算部１の出力値は、
(5) 被予測状態量の現時刻サンプル値、
とする。そして、放射基底関数ネットワーク１３においては、前記入力値及び出力値に基づいて、逐次的にサンプル周期を進めて次のサンプル時刻の被予測状態量の動特性を予測計算する。 Meanwhile, the output value of the prediction calculation unit 1 is
(5) Current time sample value of the predicted state quantity,
And The radial basis function network 13 predicts and calculates the dynamic characteristics of the predicted state quantity at the next sample time by sequentially advancing the sample period based on the input value and the output value.

これにより、本実施例では、前記実施例１と同様に、少ない計算時間で学習できるニューラルネットワークによるプラント状態量の予測方法を提供でき、実時間内での高速演算処理が要求されるプラント動特性シミュレータやプラント状態監視装置およびプラント予測制御装置への適用を容易にすることが可能になる。さらに、本実施例では、被予測状態量の静特性に影響を及ぼす状態量または操作量を付加しているため、環境変化などの外乱があった場合において、実施例１よりも予測精度が向上する効果がある。   Thus, in this embodiment, as in the first embodiment, it is possible to provide a plant state quantity prediction method using a neural network that can be learned in a short calculation time, and plant dynamic characteristics that require high-speed calculation processing in real time. Application to a simulator, a plant state monitoring device, and a plant prediction control device can be facilitated. Further, in this embodiment, since a state quantity or an operation quantity that affects the static characteristics of the predicted state quantity is added, the prediction accuracy is improved over the first embodiment when there is a disturbance such as an environmental change. There is an effect to.

以下、実施例３について、図４を参照して説明する。図４は本実施例によるプラント状態量の予測方法を示す構成図である。本実施例は、予測演算部１として、被予測状態量の線形成分の予測を行う線形モデル６と、前記実施例に記載した放射基底関数ネットワーク７とを備えたものである。この場合、放射基底関数ネットワーク１３は、前記実施例１，２のように被予測状態量全体の予測を行うのではなく、非線形成分に対する補正量を予測し、線形モデル６による線形成分と放射基底関数ネットワーク１３が予測した非線形成分に対する補正量を加算することで、全予測量を算出する。   Hereinafter, Example 3 will be described with reference to FIG. FIG. 4 is a block diagram showing a plant state quantity prediction method according to this embodiment. In this embodiment, the prediction calculation unit 1 includes a linear model 6 that predicts a linear component of a predicted state quantity, and the radial basis function network 7 described in the embodiment. In this case, the radial basis function network 13 does not predict the entire predicted state quantity as in the first and second embodiments, but predicts the correction amount for the non-linear component, and the linear component and the radial basis according to the linear model 6 are predicted. The total prediction amount is calculated by adding the correction amount for the nonlinear component predicted by the function network 13.

すなわち、図４において、１は放射基底関数ネットワークを用いる予測演算部、２は対象プラントである。予測演算部１は、入力信号ベクトル３を入力し、出力信号ベクトル４を出力する。さらに、予測演算部１は、出力信号ベクトル４を入力信号ベクトル３の中に戻すフィードバック信号５を有する。   That is, in FIG. 4, 1 is a prediction calculation unit using a radial basis function network, and 2 is a target plant. The prediction calculation unit 1 receives an input signal vector 3 and outputs an output signal vector 4. Further, the prediction calculation unit 1 has a feedback signal 5 that returns the output signal vector 4 into the input signal vector 3.

そのため、本実施例においても、前記実施例１の図２に示したように、予測演算部１は、対象プラント２から得られるi個（iは、対象プラント２に設けられたセンサ数などによって決まる）の入力状態量の入力部１０と、予測演算結果として得られるj個（jは放射基底関数ネットワークから出力される予測値の数）の出力状態量の出力部１１と、予測演算結果として得られた出力状態量を、フィードバック信号として再び予測演算部１に入力するための演算後出力状態量の入力部１２とを備えている。   Therefore, also in the present embodiment, as shown in FIG. 2 of the first embodiment, the prediction calculation unit 1 has i pieces (i is the number of sensors provided in the target plant 2 and the like) obtained from the target plant 2. Input state quantity input unit 10, j number (j is the number of predicted values output from the radial basis function network) obtained as a prediction calculation result, output state quantity output unit 11 obtained as a prediction calculation result, and prediction calculation result A post-computation output state quantity input unit 12 for inputting the obtained output state quantity as a feedback signal to the prediction computation unit 1 again.

但し、前記入力状態量の入力部１０及び演算後出力状態量の入力部１２は、入力された各状態量について、その直線成分と被直線成分を分離して、それぞれ線形モデル６と放射基底関数ネットワーク１３に出力するフィルタを備えている。   However, the input state quantity input unit 10 and the post-computation output state quantity input unit 12 separate the linear component and the straight line component of each input state quantity, respectively, and the linear model 6 and the radial basis function respectively. A filter for outputting to the network 13 is provided.

予測演算部１は、入力信号ベクトル３を入力する線形モデル６と、入力信号ベクトル３を入力する放射基底関数ネットワーク７と、線形モデル６と放射基底関数ネットワーク７の出力を加算し、出力信号ベクトル４を出力する加算器８を有する。ここで、線形モデル６は出力状態量の線形成分を予測し、放射基底関数ネットワーク７は出力状態量の非線形成分に対する補正量を予測する。   The prediction calculation unit 1 adds the linear model 6 to which the input signal vector 3 is input, the radial basis function network 7 to which the input signal vector 3 is input, the outputs of the linear model 6 and the radial basis function network 7, and outputs the output signal vector 4 has an adder 8 for outputting 4. Here, the linear model 6 predicts a linear component of the output state quantity, and the radial basis function network 7 predicts a correction amount for the nonlinear component of the output state quantity.

このような構成を有する本実施例では、演算部１の入力信号ベクトル３は、現時刻サンプルをkとすると、対象プラント２から入力されるi個の現時刻サンプルkにおける入力状態量と、この入力状態量のNサンプル前までの過去時刻サンプルにおける入力状態量と、Nサンプル前までの過去時刻サンプルにおける出力状態量である。ここで、入力状態量は被予測状態量の動特性に影響を及ぼす状態量または操作量であり、出力状態量は被予測状態量である。   In the present embodiment having such a configuration, the input signal vector 3 of the arithmetic unit 1 has the input state quantity at i current time samples k input from the target plant 2, where k is the current time sample, The input state quantity in the past time sample up to N samples before the input state quantity and the output state quantity in the past time sample up to N samples. Here, the input state quantity is a state quantity or an operation quantity that affects the dynamic characteristics of the predicted state quantity, and the output state quantity is the predicted state quantity.

すなわち、本実施例において、入力信号ベクトル３は、（i×（N＋1）＋j×N）個のベクトル信号となる。出力信号ベクトル４は、現時刻サンプルkにおける出力状態量である。すなわち、出力信号ベクトル４は、j個のベクトル信号となる。   That is, in this embodiment, the input signal vector 3 is (i × (N + 1) + j × N) vector signals. The output signal vector 4 is an output state quantity at the current time sample k. That is, the output signal vector 4 is j vector signals.

このようにして現時刻サンプルkにおける出力状態量を予測した後、サンプル時刻をk＝k＋1に進めて、フィードバック信号５により出力信号ベクトル４を入力信号ベクトル３の中に戻し、入力信号ベクトル３の中の入力状態量と出力状態量を図中の矢印の方向に１サンプル分シフトさせて、次の時刻サンプルにおける出力状態量を予測する。   After predicting the output state quantity at the current time sample k in this way, the sample time is advanced to k = k + 1, the output signal vector 4 is returned to the input signal vector 3 by the feedback signal 5, and the input signal vector 3 The input state quantity and the output state quantity are shifted by one sample in the direction of the arrow in the figure, and the output state quantity at the next time sample is predicted.

以上説明した本実施例によれば、放射基底関数ネットワークを用いる予測演算部の入力値を、
(1) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻より所定のサンプル前までの過去時刻サンプル値、
(2) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻サンプル値、
(3) 被予測状態量の現時刻より所定のサンプル前までの過去時刻サンプル値とする。
また、前記予測演算部の出力値を、
(4) 被予測状態量の現時刻サンプル値とする。

According to the present embodiment described above, the input value of the prediction calculation unit using the radial basis function network is
(1) Past time sample value from the current time of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity to the predetermined sample,
(2) The current time sample value of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity ,
(3) The past time sample value from the current time of the predicted state quantity to the predetermined sample.
Further, the output value of the prediction calculation unit is
(4) The current time sample value of the predicted state quantity.

この場合、本実施例では、前記入力状態量の入力部１０及び演算後出力状態量の入力部１２において、前記各入力値を線形成分と非線型成分とに分離する。そして、被予測状態量の線形成分を線形モデル６で予測計算すると共に、非線形成分に対する補正量を放射基底関数ネットワーク７で予測計算し、両者を加算器８で加算する。以下、逐次的にサンプル周期を進めることで、次のサンプル時刻の被予測状態量の動特性を予測計算することができる。   In this case, in this embodiment, each input value is separated into a linear component and a non-linear component in the input state quantity input unit 10 and the post-computation output state quantity input unit 12. Then, the linear component of the predicted state quantity is predicted and calculated by the linear model 6, the correction amount for the nonlinear component is predicted and calculated by the radial basis function network 7, and both are added by the adder 8. Hereinafter, by sequentially advancing the sample period, it is possible to predict and calculate the dynamic characteristic of the predicted state quantity at the next sample time.

このような構成を有する本実施例では、前記実施例１の作用効果に加えて、被予測状態量の線形成分を線形モデルで予測し、非線形成分に対する補正量のみを放射基底関数ネットワークで予測計算するため、プラント状態量の非線形性が強い場合などにおいて、実施例１よりも予測精度が向上する効果がある。   In the present embodiment having such a configuration, in addition to the operational effects of the first embodiment, the linear component of the predicted state quantity is predicted by the linear model, and only the correction amount for the nonlinear component is predicted by the radial basis function network. Therefore, when the nonlinearity of the plant state quantity is strong, there is an effect that the prediction accuracy is improved as compared with the first embodiment.

以下、実施例４について、図５を参照して説明する。図５は本実施例によるプラント状態量の予測方法を示す構成図である。本実施例は、前記実施例２の「被予測状態量の静特性に影響を及ぼす状態量または操作量を入力値とする」構成と、実施例３の「予測演算部１として、被予測状態量の線形成分の予測を行う線形モデル６と、前記実施例に記載した放射基底関数ネットワーク７とを備えた」構成を組み合わせたものである。なお、その作用については、前記実施例２，３と重複するので、省略する。   Hereinafter, Example 4 will be described with reference to FIG. FIG. 5 is a block diagram showing a plant state quantity prediction method according to this embodiment. In this embodiment, the configuration of “the state quantity or the manipulated variable that affects the static characteristic of the predicted state quantity as an input value” in the second embodiment and the “predicted state as the prediction calculation unit 1” in the third embodiment are described. This is a combination of the configuration including the linear model 6 for predicting the linear component of the quantity and the radial basis function network 7 described in the above embodiment. In addition, about the effect | action, since it overlaps with the said Example 2, 3, it abbreviate | omits.

本実施例によれば、被予測状態量の静特性に影響を及ぼす状態量または操作量を入力値とすると共に、被予測状態量の線形成分（一般に静特性に影響を及ぼす状態量や操作量にこの傾向が強い）を線形モデルで予測し、非線形成分に対する補正量のみを放射基底関数ネットワークで予測計算するため、プラント状態量の非線形性が強い場合などにおいて、予測精度が向上する効果がある。   According to the present embodiment, the state quantity or the manipulated variable that affects the static characteristic of the predicted state quantity is used as an input value, and the linear component of the predicted state quantity (generally, the state quantity or manipulated variable that affects the static characteristic). (This tendency is strong) with a linear model, and only the correction amount for the nonlinear component is predicted with the radial basis function network, so that the prediction accuracy is improved when the nonlinearity of the plant state quantity is strong. .

本発明は、前記の実施例に限定されるものではなく、次のような実施例も包含する。
(1) プラント動特性シミュレータにおいて、プラント状態量を予測する動特性モデルの一部あるいは全部に前記実施例１〜４のいずれかのプラント状態量の予測方法を用いる。 The present invention is not limited to the above-described embodiments, and includes the following embodiments.
(1) In the plant dynamic characteristic simulator, the plant state quantity prediction method according to any one of the first to fourth embodiments is used for part or all of the dynamic characteristic model for predicting the plant state quantity.

(2) プラント状態監視装置において、監視するプラント状態量の予測値を前記実施例１〜４のいずれかのプラント状態量の予測方法を用いて求める。 (2) In the plant state monitoring device, the predicted value of the plant state quantity to be monitored is obtained using the plant state quantity prediction method of any of the first to fourth embodiments.

(3) プラント予測制御装置において、被制御量の予測値を前記実施例１〜４のいずれかのプラント状態量の予測方法を用いて求める。 (3) In the plant predictive control apparatus, the predicted value of the controlled quantity is obtained using the plant state quantity predicting method according to any of the first to fourth embodiments.

１…予測演算部
２…対象プラント
３…入力信号ベクトル
４…出力信号ベクトル
５…フィードバック信号
６…線形モデル
７…放射基底関数ネットワーク
８…加算器
１０…入力状態量の入力部
１０Ｋ…現在時刻サンプル取得部
１０Ｎ…過去時刻サンプル取得部
１１…予測した出力状態量の出力部
１２…演算後出力状態量の入力部 DESCRIPTION OF SYMBOLS 1 ... Prediction calculating part 2 ... Target plant 3 ... Input signal vector 4 ... Output signal vector 5 ... Feedback signal 6 ... Linear model 7 ... Radial basis function network 8 ... Adder 10 ... Input state quantity input part 10K ... Current time sample Acquisition unit 10N ... past time sample acquisition unit 11 ... predicted output state quantity output unit 12 ... post-computation output state quantity input unit

Claims (6)

動特性を有するプラント状態量に基づいて被予測状態量の動特性を予測計算する予測演算部を用いたプラント状態量の予測方法において、
前記予測演算部として放射基底関数ネットワークを備え、この放射基底関数ネットワークの入力値は、
(1) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻より所定のサンプル前までの過去時刻サンプル値、
(2) 被予測状態量の動特性に影響を及ぼす状態量または操作量の現時刻サンプル値、
(3) 被予測状態量の現時刻より所定のサンプル前までの過去時刻サンプル値とし、
前記予測演算部の出力値は、
(4) 被予測状態量の現時刻サンプル値とし、
前記放射基底関数ネットワークにおいては、前記入力値及び出力値に基づいて、逐次的にサンプル周期を進めて次のサンプル時刻の被予測状態量の動特性を予測計算することを特徴とするプラント状態量の予測方法。
In a method for predicting a plant state quantity using a prediction calculation unit that predicts and calculates a dynamic characteristic of a predicted state quantity based on a plant state quantity having dynamic characteristics,
The prediction operation unit includes a radial basis function network, and the input value of the radial basis function network is:
(1) Past time sample value from the current time of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity to the predetermined sample,
(2) The current time sample value of the state quantity or manipulated variable that affects the dynamic characteristics of the predicted state quantity ,
(3) The past time sample value from the current time of the predicted state quantity to the predetermined sample,
The output value of the prediction calculation unit is
(4) As the current time sample value of the predicted state quantity,
In the radial basis function network, based on the input value and the output value, the sampling period is sequentially advanced to predict and calculate the dynamic characteristic of the predicted state quantity at the next sample time. Prediction method.
前記予測演算部の入力値として、被予測状態量の静特性に影響を及ぼす状態量または操作量の現時刻サンプル値を付加することを特徴とする請求項１に記載のプラント状態量の予測方法。   The plant state quantity prediction method according to claim 1, wherein a current state sample value of a state quantity or an operation quantity that affects a static characteristic of a predicted state quantity is added as an input value of the prediction calculation unit. . 前記予測演算部は、プラント状態量の線形成分を予測する線形モデルと、プラント状態量の非線形成分に対する補正量を予測する放射基底関数ネットワークとを有することを特徴とする請求項１または請求項２に記載のプラント状態量の予測方法。   The said prediction calculating part has the linear model which estimates the linear component of a plant state quantity, and the radial basis function network which estimates the correction amount with respect to the nonlinear component of a plant state quantity, The Claim 1 or Claim 2 characterized by the above-mentioned. The method for predicting plant state quantities described in 1. プラント動特性シミュレータにおいて、プラント状態量を予測する動特性モデルの一部あるいは全部に請求項１ないし請求項３のいずれか一項に記載のプラント状態量の予測方法を用いることを特徴とするプラント動特性シミュレータ。   A plant dynamic characteristic simulator uses the plant state quantity prediction method according to any one of claims 1 to 3 for a part or all of a dynamic characteristic model for predicting a plant state quantity. Dynamic characteristic simulator. プラント状態監視装置において、監視するプラント状態量の予測値を請求項１ないし請求項３のいずれか一項に記載のプラント状態量の予測方法を用いて求めることを特徴とするプラント状態監視装置。   The plant state monitoring apparatus, wherein a predicted value of a plant state quantity to be monitored is obtained by using the plant state quantity prediction method according to any one of claims 1 to 3. プラント予測制御装置において、被制御量の予測値を請求項１ないし請求項３のいずれか一項に記載のプラント状態量の予測方法を用いて求めることを特徴とするプラント予測制御装置。   A plant predictive control apparatus, wherein a predicted value of a controlled quantity is obtained using the plant state quantity predicting method according to any one of claims 1 to 3.
JP2010124214A 2010-05-31 2010-05-31 Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same Active JP5597447B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010124214A JP5597447B2 (en) 2010-05-31 2010-05-31 Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010124214A JP5597447B2 (en) 2010-05-31 2010-05-31 Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same

Publications (2)

Publication Number Publication Date
JP2011248835A JP2011248835A (en) 2011-12-08
JP5597447B2 true JP5597447B2 (en) 2014-10-01

Family

ID=45413971

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010124214A Active JP5597447B2 (en) 2010-05-31 2010-05-31 Prediction method of plant state quantity, plant dynamic characteristic simulator, plant state monitoring device and plant prediction control device using the same

Country Status (1)

Country Link
JP (1) JP5597447B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7060130B1 (en) * 2021-04-14 2022-04-26 富士電機株式会社 Operation support equipment, operation support methods and programs

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10283335A (en) * 1997-04-10 1998-10-23 Fuji Electric Co Ltd Prediction method in recurrent network
JP4399122B2 (en) * 2001-03-27 2010-01-13 メタウォーター株式会社 Rainwater inflow prediction device

Also Published As

Publication number Publication date
JP2011248835A (en) 2011-12-08

Similar Documents

Publication Publication Date Title
Han et al. Prediction of chaotic time series based on the recurrent predictor neural network
Ding et al. Parameter estimation for pseudo‐linear systems using the auxiliary model and the decomposition technique
Witczak et al. A GMDH neural network-based approach to robust fault diagnosis: Application to the DAMADICS benchmark problem
Tan et al. Neural-network-based d-step-ahead predictors for nonlinear systems with time delay
Zhang et al. Observer-based integrated robust fault estimation and accommodation design for discrete-time systems
Lazar et al. A neural predictive controller for non-linear systems
Wang et al. Fault estimation filter design for discrete‐time descriptor systems
Aslam L 2–L∞ control for delayed singular markov switch system with nonlinear actuator faults
Hwang et al. Artificial intelligent analyzer for mechanical properties of rolled steel bar by using neural networks
Li et al. Maximum likelihood identification of dual‐rate Hammerstein output‐error moving average system
CN111433689B (en) Generation of control systems for target systems
Chatterjee et al. Software fault prediction using Nonlinear Autoregressive with eXogenous Inputs (NARX) network
Dong et al. Adaptive output feedback tracking control for switched non‐strict‐feedback non‐linear systems with unknown control direction and asymmetric saturation actuators
Ghaemi et al. Direct adaptive general type‐2 fuzzy control for a class of uncertain non‐linear systems
KR20190078850A (en) Method for estimation on online multivariate time series using ensemble dynamic transfer models and system thereof
Sun et al. Neural adaptive fault-tolerant finite-time control for nonstrict feedback systems: An event-triggered mechanism
Boateng et al. Predicting the level of safety performance using an artificial neural network
Zhou et al. Fault detection of a sandwich system with dead-zone based on robust observer
Lai et al. Adaptive inverse compensation for actuator backlash with piecewise time-varying parameters
Wahlberg et al. Variance results for identification of cascade systems
JP2019144779A (en) Causal estimation apparatus, causal estimation method, and program
Ławryńczuk Input convex neural networks in nonlinear predictive control: A multi-model approach
Luan et al. H∞ filtering for nonlinear systems via neural networks
Ding et al. Parameter identification of multi-input, single-output systems based on FIR models and least squares principle
Liu et al. Network-based filtering for stochastic Markovian jump systems with application to PWM-driven boost converter

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130402

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140225

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20140228

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140424

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140715

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140811

R151 Written notification of patent or utility model registration

Ref document number: 5597447

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151